El hígado es un órgano multifuncional. Elimina toxinas de la sangre, produce bilis para la digestión y combate infecciones, entre cientos de funciones vitales. Sin embargo, exponerse a estos factores tiene un precio: la exposición prolongada a toxinas y al alcohol, pueden provocar daños y la formación de tejido cicatricial, conocido como fibrosis.
En un nuevo estudio, investigadores examinaron el hígado de un ratón, primero haciendo que el tejido sea semitransparente. Después, con partículas fluorescentes que se depositan en diferentes estructuras, como el conducto biliar (verde) y la vena hepática (amarilla), se identificaron lugares donde las partículas verdes se filtran y se acumulan en el tejido circundante (círculo en rojo). Estas estructuras recién descubiertas, a las que denominan complejo lamelar periportal, podrían estar implicadas en los cambios que sufre el tejido hepático durante la fibrosis y ser un nuevo objetivo para fármacos
The liver is a multipurpose organ. It cleans toxins out of the blood, produces bile that helps with digestion, and helps to fight against infections, among hundreds of vital jobs. But putting itself in harm’s way comes at a price – prolonged exposure to toxins like alcohol can lead to damage and scar tissue called fibrosis. Here researchers zoom in on a mouse’s liver with an advanced microscope, first rendering the tissue semi-transparent by clearing away chemicals that block their view. Using fluorescent particles that settle in different structures like the bile duct (green) and hepatic vein (yellow), the team spot places where the green particles 'leak' and pool in the surrounding tissue. These newly discovered structures, which they call the periportal lamellar complex, may be involved in changes to the liver tissue during fibrosis and a future target for medical drugs.
Four-way collaboration brings together world-leading AI and biological expertise to make AI-predicted protein complex structures openly available to the global scientific community
Slime mold Dictyostelium discoideum protein complex Q55DI5 (AF-0000000066503175), annotated as a transcription elongation factor. The single chain looks disordered, but the homodimer reveals that two chains intertwine, each contributing half a domain to form a stable fold. An illustration of how predicting protein complexes reveals biology that single-protein models miss. Credit: AlphaFold Database, background by Karen Arnott/EMBL-EBI
A new collaboration between EMBL’s European Bioinformatics Institute (EMBL-EBI), Google DeepMind, NVIDIA, and Seoul National University has made millions of AI-predicted protein complex structures openly available through the AlphaFold Database. To maximise global health impact, the dataset prioritises proteins important for understanding human health and disease. This is the largest dataset of protein complex predictions currently available.
Proteins are the building blocks of life. They interact to create protein complexes which fulfil biological functions. By visualising protein interactions, scientists can uncover the molecular mechanisms that drive cell behaviour, identify what goes wrong when someone gets sick, and develop new drugs and therapies. Predicting the structure of protein complexes is extremely challenging because, in nature, proteins change shape and interact in many different ways.
“Science thrives on collaboration,” said Jo McEntyre, Interim Director of EMBL-EBI. “By making this foundational protein complex dataset openly available to the world, we’re inviting researchers to test, refine, and build on it to drive the next wave of biological discoveries.”
Protein complexes for global health impact
The latest AlphaFold Database update spans millions of homodimers – protein complexes formed of two identical proteins. It focuses on 20 of the most studied species, including humans, as well as the World Health Organization’s priority pathogens list. This approach aims to bring significant and immediate value for global health challenges.
“By expanding the AlphaFold Database to include protein complexes, we are addressing a critical need expressed by the scientific community,” said Anna Koivuniemi, Head of the Google DeepMind Impact Accelerator. “We hope that by lowering the barrier to these complex predictions, we can empower researchers everywhere to pursue the next wave of discoveries that could ultimately improve human health on a global scale.”
Scientific expertise meets technical innovation
The collaboration builds on Google DeepMind’s AI system AlphaFold, which, since 2021, accurately predicted the structure of millions of proteins. To democratise access to AlphaFold predictions, Google DeepMind and EMBL-EBI developed the AlphaFold Database, an open resource that anyone can access. The database has over 3.4 million users from 190 countries.
Through ongoing dialogue with the scientific community, a clear need emerged to expand the AlphaFold database to include protein complexes. In response to this need, EMBL-EBI, Google DeepMind, NVIDIA, and Seoul National University teamed up, contributing specialist expertise and resources, to calculate and integrate millions of protein complexes into the AlphaFold Database.
“By making this foundational dataset openly available to the world, we’re inviting researchers to test, refine, and build on it to drive the next wave of biological discoveries.”
The collaboration brought together deep biological expertise and technical innovations. NVIDIA and the Steinegger Lab at the Seoul National University developed the methodology, based on Google DeepMind’s AI system AlphaFold, including accelerations to multiple sequence alignment calculations and deep learning inference. NVIDIA provided cutting-edge AI infrastructure and scaled out inference pipelines to overcome limitations that historically made this scale of calculations challenging. EMBL-EBI enabled the collaboration by bringing the other parties together and contributing expertise in scientific and biodata management, as well as analysis. As a champion of open science, EMBL-EBI, together with Google DeepMind, integrated the new dataset into the AlphaFold Database.
“NVIDIA’s ambition is to consistently contribute orders-of-magnitude accelerations for fundamental digital biology workloads, enabling what was not possible before,” said Anthony Costa, NVIDIA Director of Digital Biology. “This release is a great example of how AI infrastructure and software can uniquely enable new scales of biological understanding.”
“By making predicted protein complexes accessible at an unprecedented scale, we are illuminating an unseen landscape of molecular interactions across the tree of life,” explained Martin Steinegger, Associate Professor at Seoul National University.
Open science at scale
It takes a blend of AI-scale infrastructure and deep technical knowledge in accelerating complex workflows to generate AI predictions for protein complexes at this scale. The collaboration is centrally hosting data that would otherwise require around 17 million hours of GPU (graphics processing unit) computing to recreate.
By making these calculations once and adding the information into the AlphaFold Database, this collaboration aims to help democratise access to protein complex predictions. It enables scientists everywhere to investigate how proteins interact in the vast protein universe, and accelerate discoveries that could lead to new medicines, new products, and a deeper understanding of life itself.
“This release is a great example of how AI infrastructure and software can uniquely enable new scales of biological understanding.”
This is the first step in an ambition to add a wide range of protein complex structure predictions to the AlphaFold Database. The partnership has already calculated predictions for 30 million complexes. Of these, 1.7 million high-confidence homodimer predictions have been added to the AlphaFold Database. Another 18 million are lower-confidence homodimers, which will be made available as a list and for bulk download from the EMBL-EBI FTP server in the coming days. The rest are heterodimers, currently being analysed and assessed. More protein complex predictions will be calculated and high-confidence predictions will be added to the AlphaFold Database in the coming months. The work is described in more detail in this preprint.
“The human genome has just over 20,000 different proteins. Despite this relatively small genome, human beings display incredibly complex pathways, processes and regulation. Much of this complexity arises from the intermolecular interactions between proteins, and with small molecule ligands and DNA. Adding predicted protein-protein homodimeric interactions to the AlphaFold Database is a first step towards a comprehensive description of the human interactome, the basis by which human biology will be described and understood. This has relevance for the design of new therapeutics, understanding host-pathogen interactions, and more. Making these structures accessible to all, allows every researcher around the world to build on these data, moving one step closer to predicting the biology of life,” said Dame Janet Thornton, Director Emeritus of EMBL-EBI.
Milioni di complessi proteici aggiunti al Database Alphafold fanno luce su come le proteine interagiscono
Una collaborazione internazionale mette insieme le principali competenze mondiali nell’AI e nella biologia per rendere accessibili alla comunità scientifica globale le predizioni delle strutture dei complessi proteici.
Una nuova collaborazione tra l’Istituto di Bioinformatica dell’EMBL (EMBL-EBI), Google DeepMind, NVIDIA, e la Seoul National University, ha reso accessibili le predizioni basate sull’AI di milioni si strutture di complessi proteici attraverso il Database Alphafold. Per massimizzare l’impatto sulla salute globale, il dataset ha dato priorità alle proteine importanti per la comprensione della salute umana e delle malattie. Questo è il più grande dataset attualmente disponibile di previsioni sui complessi proteici.
Le proteine sono i mattoni della vita. Interagiscono tra loro per formare complessi proteici che svolgono funzioni biologiche. Visualizzando le interazioni tra proteine, gli scienziati possono scoprire i meccanismi molecolari che guidano il comportamento delle cellule, identificare cosa non funziona quando una persona si ammala e sviluppare nuovi farmaci e terapie. Prevedere la struttura dei complessi proteici è estremamente difficile perché, in natura, le proteine cambiano forma e interagiscono in molti modi diversi.
“La scienza progredisce attraverso la collaborazione”, ha detto Jo McEntyre, Direttrice ad Interim dell’EMBL-EBI. “Rendendo questo dataset di complessi proteici disponibile alla comunità scientifica, invitiamo i ricercatori a testarlo, perfezionarlo e svilupparlo ulteriormente, per guidare la prossima ondata di scoperte biologiche”.
Complessi proteici per un impatto sulla salute globale
L’ultimo aggiornamento del Database Alphafold comprende milioni di omodimeri – complessi proteici formati da due proteine identiche. Si concentra su 20 delle specie più studiate, tra cui l’uomo, oltre che sulla lista dei batteri patogeni considerati prioritari dall’Organizzazione Mondiale della Sanità. Questo approccio mira ad avere un impatto significativo e immediato per affrontare le sfide della salute globale.
“Espandere il Database Alphafold con l’aggiunta dei complessi proteici risponde ad un’esigenza critica espressa dalla comunità scientifica”, ha detto Anna Koivuniemi, a capo dell’Impact Accelerator di Google DeepMind. “Ci auguriamo che, rendendo accessibili queste informazioni, consentiremo ai ricercatori di tutto il mondo di guidare la prossima ondata di scoperte, che potrebbero migliorare la salute umana su scala globale”.
La collaborazione si basa sul sistema di AI sviluppato da Google DeepMind – Alphafold – che dal 2021 ha previsto con elevata precisione la struttura di milioni di proteine. Per democratizzare l’accesso alle previsioni di Alphafold, Google DeepMind e EMBL-EBI hanno sviluppato il Database Alphafold, una risorsa aperta accessibile a chiunque. Il database conta oltre 3,4 milioni di utenti provenienti da 190 paesi.
Attraverso un dialogo continuo con la comunità scientifica, è emersa la necessità di espandere il Database Alphafold per includere anche i complessi proteici. In risposta a questa esigenza, EMBL-EBI, Google DeepMind, NVIDIA e la Seoul National University hanno unito le forze, contribuendo con competenze specifiche e risorse per calcolare e integrare milioni di complessi proteici nel Database Alphafold.
“Rendendo questo dataset di complessi proteici disponibile alla comunità scientifica, invitiamo i ricercatori a testarlo, perfezionarlo e svilupparlo ulteriormente, per guidare la prossima ondata di scoperte biologiche”
NVIDIA e il gruppo di Steinegger alla Seoul National University hanno sviluppato la metodologia, basata sul sistema di AI di Google DeepMind Alphafold, includendo accelerazioni nei calcoli di allineamento di sequenze multiple e nelle previsioni di deep learning. NDIVIA ha fornito infrastrutture di AI all’avanguardia e ha ottimizzato le pipeline di calcolo per superare i limiti che storicamente rendevano difficile eseguire calcoli su larga scala. EMBL-EBI ha reso possibile la collaborazione riunendo le diverse parti e contribuendo con competenze nella gestione e nell’analisi dei dati scientifici e biologici. Come sostenitore della open science, EMBL-EBI insieme a Google DeepMind ha integrato il nuovo dataset nel Database Alphafold.
“L’ambizione di NVIDIA è di fornire costantemente accelerazioni di ordini di grandezza per i processi fondamentali della biologia digitale, permettendo ciò che prima non era possibile”, ha dichiarato Anthony Costa, Direttore di Digital Biology di NVIDIA. “Questa espansione del Database è un ottimo esempio di come infrastruttura e software basati su AI possano raggiungere nuovi livelli di comprensione scientifica”. “Rendendo le previsioni sui complessi proteici accessibili su una scala senza precedenti, stiamo illuminando un panorama fino ad ora invisibile di interazioni molecolari lungo l’albero della vita”, ha spiegato Martin Steinegger, Professore Associato presso la Seoul National University.
Open science su larga scala
Per accelerare processi complessi e generare previsioni AI sui complessi proteici, è necessario un mix di infrastrutture AI su larga scala e accurata conoscenza tecnica. La collaborazione ospita centralmente dati che, altrimenti, richiederebbero circa 17 milioni di ore di calcolo GPU (graphics processing unit) per essere ricreati.
Rendendo questi calcoli disponibili una sola volta e integrando le informazioni nel Database Alphafold, la collaborazione mira a democratizzare l’accesso alle previsioni sui complessi proteici. Questo permette agli scienziati di tutto il mondo di studiare come le proteine interagiscono nell’immenso universo biologico e di accelerare scoperte che potrebbero portare a nuovi farmaci, nuovi prodotti e a una comprensione più profonda della vita stessa.
“Questo risultato è un ottimo esempio di come infrastruttura e software basati su AI possano raggiungere nuovi livelli di comprensione scientifica”
Questo è il primo passo verso l’ambizione più ampia di includere una vasta gamma di previsioni di strutture di complessi proteici al Database Alphafold. La partnership ha già calcolato previsioni per 30 milioni di complessi. Di questi, 1,7 milioni di previsioni di omodimeri ad alta affidabilità sono state aggiunte al Database Alphafold. Altre 18 milioni di strutture di omodimeri, con affidabilità più bassa, sono disponibili come liste per il download in blocco. Il resto delle strutture sono eterodimeri, attualmente in fase di analisi e valutazione. Ulteriori previsioni di complessi proteici saranno calcolate e quelle ad alta affidabilità saranno integrate nel Database Alphafold nei prossimi mesi. Il lavoro è descritto più in dettaglio in un preprint.
“Il genoma umano contiene poco più di 20.000 proteine diverse. Nonostante questo genoma relativamente piccolo, gli esseri umani mostrano percorsi, processi e regolazioni incredibilmente complessi. Gran parte di questa complessità deriva dalle interazioni intermolecolari tra proteine, ligandi di piccole molecole e DNA. Aggiungere le previsioni di interazioni proteina-proteina omodimeriche al Database Alphafold è un primo passo verso una descrizione completa dell’interattoma umano, la base su cui sarà descritta e compresa la biologia umana. Questo ha rilevanza per progettare nuovi farmaci, comprendere le interazioni ospite-patogeno e molto altro. Rendere queste strutture accessibili a tutti permette a ogni ricercatore nel mondo di basarsi su questi dati, e di avvicinarsi sempre di più alla predizione della biologia della vita”, ha dichiarato Dame Janet Thornton, Direttrice Emerita di EMBL-EBI
Las vacunas contra el cáncer están demostrando una marcada eficacia contra los cánceres refractarios y formarán parte del arsenal terapéutico del futuro
. Además, en última instancia, se utilizarán para la prevención en personas de alto riesgo
The limitations of current immune checkpoint inhibitor therapies highlight a need for improved strategies to expand tumor-reactive T cell repertoires in a way that is safe, selective and efficient. Cancer vaccines hold potential to achieve this goal, but the profound success of vaccines for infectious diseases has not yet translated to the cancer setting. Recently, however, encouraging preliminary results from phase 1 and 2 clinical trials have renewed enthusiasm and spurred the initiation of large-scale cancer vaccine trials. In this Review, we highlight insights from recent clinical trials, translational studies and preclinical models, which reveal critical factors for optimizing cancer vaccines. Key strategies include definition of improved proxies to estimate vaccine efficacy, selection of high-quality antigens—particularly neoantigens—using modular vaccine platforms with innate immunostimulatory capabilities, and a focus on early-stage cancer, as exemplified by (neo)adjuvant therapies. We discuss each of these in detail, outlining a roadmap for future cancer vaccine development
Biopython es el paquete de Python más utilizado en el ámbito de la biología computacional, con una gran cantidad de herramientas útiles en bioinformática.
Esta librería fue creada en el año 1999 por Brad Chapman y Jeff Chang, y actualmente está soportada por el Proyecto Biopython, una asociación de desarrolladores de herramientas en el lenguaje informático Python
En primer lugar debe instalar el paquete biopython. Para ello, como se explicó en el apartado PyCharm, vaya a la ventana de Python Packages e instálelo
En este apartado se le ha enseñado una serie de funcionalidades de Biopython que seguro que le serán de ayuda, pudiendo trabajar a su antojo con archivos FASTA desde la terminal de Python.
No obstante, debe saber que Biopython permite realizar funciones muy avanzadas, como trabajar con archivos de secuenciación (filtrado, indexado..), realizar alineamientos múltiples (basado en herramientas como MUSCLE o ClustalW) o análisis de motivos de secuencias.
Si quiere profundizar en sus conocimientos sobre el paquete Biopython, le recomendamos que acceda al libro de cocina de Biopython.
El IDE PyCharm fue creado por la compañía JetBrains, y está disponible para los sistemas operativos Windows, Mac y Linux. La Community Edition es gratuita y contiene todas las funcionalidades necesarias para un uso principiante - intermedio, que serán más que suficientes. La instalación con el asistente no es complicada y requiere 840 MB en el sistema de archivos
https://ucodemy.github.io/pybioq/3_Pycharm/
Biopython es el paquete de bioinformática más grande y popular para Python. Contiene varios submódulos diferentes para tareas bioinformáticas comunes. Está desarrollado por Chapman y Chang, principalmente escrito en Python. También contiene código C para optimizar la parte de cálculo compleja del software. Funciona en Windows, Linux, Mac OS X, etc.
Básicamente, Biopython es una colección de módulos de Python que proporcionan funciones para lidiar con operaciones de secuencia de ADN, ARN y proteínas, como el complemento inverso de una cadena de ADN, encontrar motivos en secuencias de proteínas, etc. como GenBank, SwissPort, FASTA, etc., así como envoltorios / interfaces para ejecutar otras herramientas / software de bioinformática populares como NCBI BLASTN, Entrez, etc., dentro del entorno de Python. Tiene proyectos hermanos como BioPerl, BioJava y BioRuby
Eon Systems ha cargado el cerebro de una mosca de la fruta en una computadora y ahora..¡Vive libremente en su propia simulación!
En 2024, científicos mapearon el conectoma completo del cerebro de una mosca de la fruta (139.000 neuronas, 50 millones de sinapsis).
Construyeron un modelo computacional, lo conectaron a un cuerpo simulado y a un entorno virtual, y comenzó a comportarse como una mosca real (caminando, acicalándose y alimentándose) sin entrenamiento.
Un comportamiento natural emergente, solo a partir del cableado. La primera emulación de cerebro completo de este tipo.
Eon Systems emula cerebro de mosca en simulador
Eon Systems emula el cerebro de una mosca de la fruta para controlar un cuerpo físico simulado sin machine learning.
El sistema utiliza un modelo computacional basado en una investigación publicada por Nature en 2024. El científico Philip Shiu y su equipo reconstruyeron la arquitectura mental de la Drosophila melanogaster, replicando más de 125,000 neuronas y 50 millones de conexiones sinápticas.
Este modelo original predecía la activación de las neuronas motoras con un 95% de precisión, pero carecía de un avatar para ejecutar acciones. Para solucionarlo, Eon Systems integró este cerebro en el motor físico MuJoCo mediante el entorno biomecánico NeuroMechFly v2.
Conectoma es un mapa biológico que detalla el cableado exacto de un cerebro funcional. En este experimento, procesa estímulos sensoriales virtuales y emite comandos motores autónomos, cerrando el ciclo de percepción y acción.
A diferencia de iniciativas como DeepMind, que utilizan aprendizaje por refuerzo, o el proyecto OpenWorm que operaba con las 302 neuronas del C. elegans, la arquitectura de Eon Systems es una copia exacta obtenida por microscopía electrónica.
En paralelo, los Sandia National Laboratories implementaron el mismo conectoma utilizando el hardware neuromórfico Loihi 2 de Intel. Esta validación cruzada demostró velocidades de procesamiento superiores a las de una simulación tradicional en computadora
La misión a largo plazo de Eon Systems es escalar esta tecnología. Su próximo hito es emular el cerebro de un ratón, el cual contiene aproximadamente 70 millones de neuronas, para después intentar una reconstrucción a escala humana.
Para lograr este nivel de detalle, la empresa combina:
Microscopía de expansión para trazar redes físicas.
Miles de horas de imágenes de voltaje y calcio en tejido vivo.
Análisis de dinámicas en circuitos biológicos complejos.
Aunque el modelo actual omite variables biológicas densas como hormonas, péptidos y células gliales, la precisión de los movimientos del insecto virtual marca una transición definitiva en el desarrollo de cerebros digitales.
“Si un cerebro de mosca puede ahora cerrar el ciclo sensoriomotor en simulación, la pregunta para el ratón se convierte en una de escala, no de tipo”, declaró Alex Wissner-Gross, cofundador de Eon Systems
